基于 MPC 的深强化学习方法用于含燃料涡流的空间机器人控制
机器人学
2025-09-26 v1 机器学习
摘要
本文提出了集成的强化学习（RL）和模型预测控制（MPC）框架，用于带有部分充满燃料罐的卫星自主对接。传统的对接控制因微重力下的燃料涡流面临挑战，这会引发不可预测的力量影响稳定性。为此，我们将 PPO 和 Soft Actor-Critic（SAC） RL 算法与 MPC 集成，利用 MPC 的预测能力加速 RL 训练并提高控制鲁棒性。该方法通过 Zero-G Lab 的 SnT 实验验证，用于平面稳定；并通过高保真数值仿真用于 6-DOF 对接的燃料涡流动力学。仿真结果表明，SAC-MPC 在对接精度、成功率和控制 effort 方面均优于独立的 RL 和 PPO-MPC 方法。该研究推进了燃料高效且抗扰动的卫星对接，增强了轨道加油和服务任务的可行性。
引用
@article{arxiv.2509.21045,
title = {MPC-based Deep Reinforcement Learning Method for Space Robotic Control with Fuel Sloshing Mitigation},
author = {Mahya Ramezani and M. Amin Alandihallaj and Barış Can Yalçın and Miguel Angel Olivares Mendez and Holger Voos},
journal= {arXiv preprint arXiv:2509.21045},
year = {2025}
}
备注
Pre-print version submitted to IEEE IROS